드론의 인공지능을 결합한 재난 시스템의 기술동향
2019-11-28
org.kosen.entty.User@5e45dff
최낙선(bejin)
I. 서론
4차 산업혁명의 중심에 있는 드론(Drone)은 전 세계적으로 관심을 받으며 발전하고 있다. 주로 적군 탐지나 폭격을 목적으로 한 군사용 드론에서 시작되었지만, 현재는 ITㆍ통신 기술과 결합해 물류서비스, 농업, 개인 레저 활동 등 다양한 분야에 적용되기 시작하였다.
최근에는 드론을 재난 및 안전 분야에서 정보 제공, 재난자 위치파악 및 긴급물품 제공 등 재난 현장에 이용하고자 하는 시도가 많아지고 있다. 인력이 접근하기 어려운 곳에 드론을 투입하여 수색 및 구조 활동을 할 수 있으며, 신속하고 입체적인 범죄현장 파악과 증거조사 등이 가능해진다. 구글은 위기에 처한 사람들이 의료 서비스 버튼을 누르기만 하면 구급 드론이 출동해 도움을 주어 초기 구급활동 시간을 단축시킬 수 있게 되었다. 국내에서도 강원도 강릉소방서에서 주택에서 발생한 화재가 야간에 강풍을 타고 인근의 산으로 번지가 드론을 활용하여 산불의 화두를 파악하고, 적절한 인력을 투입하는 등 대처를 하는데 도움이 된 사례가 있다. 또 실종된 노부부를 찾기 위해 경찰이 한국국토정보공사에 드론을 요청하여 수색하는 등 드론을 활용하여 수색의 효율성을 높이고 시간을 단축시키는 효과를 보여주는 등 다양한 분야에서 드론이 활용될 가능성이 높음을 알 수 있다.
머지않아 '인공지능 드론'까지 가세하면 영화 스타워즈가 멀지 않은 상황이다. 인공지능(AI；artificial intelligence)은 컴퓨터가 인간 두의 기능을 수행하는 지능을 갖도록 하드웨어나 소프트웨어를 개발하려는 연구분야로 추론과 판단, 문제해결능력을 갖는 컴퓨터를 시도하며 지식기반시스템, 퍼지이론, 기호처리, 자연어처리, 음성인식, 가상현실, 그리고 지능로봇 등에 관한 연구를 수행하고 있다(임 일, 2016). 핵심기술인 인공지능이 데이터 수집, 저장, 분석을 통해 내가 원하는 검색결과를 압축적으로 제공, 선택비용을 줄여 주며 최적화된 가치를 제공한다.
따라서 본 고에서는 드론의 인공지능을 결합한 재난 시스템의 기술동향에 대하여 알아보고자 한다. 이를 위해 드론의 개념과 분류를 살펴보고, 재난 현장에서 인공지능 드론의 필요성을 검토하였다. 또한 인공지능 드론의 기술동향을 분야별로 구분하여 고찰하고 결론으로 마무리하였다.
II. 드론의 인공지능을 결합한 재난 시스템의 기술동향
1. 드론의 개념과 분류
드론(Drone)으로 불리는 무인항공기(UAV: Unmanned Aerial Vehicle)는 조종사가 탑승하지 않은 비행체를 의미한다. 유인기와 비교하여 숙련된 조종사 양성비용 절감, 무인에 따른 중량감소, 근접 정찰과 폭격과 같은 위험임무 수행 등의 장점이 있다.
드론은 일정한 임무를 수행하기 위하여 조종사가 탑승하지 않고 지상에서 원격 조종하거나 사전에 입력된 프로그램으로 비행체가 주위환경을 인식하여 스스로 비행하는 비행체를 말한다. 운용 목적에 따라 정찰용, 공격용, 표적용 등으로 분류할 수 있고, 특정 임무를 수행할 수 있도록 적외선 카메라, GPS, 움직임 감지 센서 등을 통해 지형, 사람 등의 동향을 실시간으로 감시, 정찰, 정밀공격 등에 활용하는 무인항공기는 통합체계라는 의미로 UAS(Unmanned Aircraft System)라고도 불린다.
드론은 구동형태에 따라 날개가 기체에 수평으로 붙어 있는 비행기 형태인 고정익(Fixed-wing), 회전축에 설치되어 주위에 회전 운동을 하면서 양력을 발생시키는 헬리콥터 형태인 회전익(Rotary) 및 회전날개(Rotor)를 기울일 수 있도록 고정익과 회전익을 결합한 혼합형으로 크게 구분된다(한국환경정책평가연구원, 2016).
2. 재난 현장에서 인공지능 드론의 필요성
재난 현장에서 드론을 안정적으로 사용하기 위한 도전이 지속되고 있다. GPS 신호가 잡히지 않는 터널 등 실내에서 드론 실내 비행 안정화를 위해 통신장비와 카메라•초음파 등 센서기술 인공지능(AI) 등의 연구가 활발하다. 최근에는 정밀도 높은 소형 센서 개발과 ICT 간 통합 운용 기술이 발달하면서 드론의 활용 영역이 확장되고 있다. 여기에 인공지능인 기계 학습(Machine Learning)은 사람의 지시 없이 시스템이 딥러닝이라고 불리는 과정에 의존하여 복잡한 데이터를 학습하고 분석하는 알고리즘이다. 아직까지는 인공지능 시스템도 완벽하지 않지만, AI는 추가적인 관점을 제공할 수 있고 AI 기술이 발전함에 따라 적용할 수 있는 가능한 분야가 증가하고 있다.
실내에서 드론을 제어하도록 사고 시 특화된 통신장비를 개발은 최우선 과제다. 전파 출력을 최대화하고 실내 통신에 최적화하는 비상용 통신장비는 물론 터널 내부에도 비상시 생존성에 강화한 중계기 등을 설치할 수 있다. 드론 자체 센서 기술 진화도 필수다. 카메라와 초음파를 이용해 장애물을 스스로 인식해 회피하는 기술이 완성도를 높이고 있다. 궁극적으로는 AI 진화가 필요하다. 사고 상황에서 통신이 두절됐더라도 어떤 장면을 촬영하고, 조치를 취해야할지 드론이 스스로 판단해 행동하도록 해야 한다. 특징은 인공지능 소프트웨어로 영상과 사진을 분석하는 것이다. 4명의 경찰관이 하루 종일 600장 정도 분석하는 시간을 소프트웨어로 10분 안에 끝낼 수 있다. 드론으로 촬영한 600장의 사진(1km×1km 면적)을 10분 내에 정밀하게 분석할 수 있게 되었다(이임걸, 2019).
3. 인공지능 드론의 기술동향
3.1 드론 제어 기술
드론의 운용을 위한 기본적인 제어기술은 자동조종(Autopilot)과 항법유도(Navigation & Guidance)이며, 현재 운용중인 대부분의 드론들이 이러한 제어 기술을 채택하고 있다. 자동조종은 비행체의 출력에 영향을 미치는 동특성(Dynamic Characteristic)을 향상시키기 위해 적절히 진동을 흡수해 주는 댐핑(Damping)과 주파수를 제공하는 조종 안정성 증강 장치이다. 항법유도는 원거리 목표지점까지 주어진 경로를 따라 오차 없이 비행을 가능하게 하는 임무 제어기이다.
인공지능이 드론 기술과 하드웨어의 효용성을 극대화할 수 있는 장점이 있다. 드론과 AI를 결합함으로써 물리적으로 접근하기 어려운 재난 지역이나 산악지역 등의 정보수집이 가능해졌으며 대기 오염이나 촬영이 힘든 흐린 지역도 AI가 자동으로 밝기와 보정 등을 조정함으로써 보다 과학적인 영상 제작을 가능하게 하고 있다. 이렇듯 인공지능은 전반적으로 긍정적인 영향을 주고 있으며, 이를 활용한 사례는 앞으로도 늘어날 것으로 전망된다.
해외에서는 재난분야의 드론 개발 및 활용이 활발하지만, 국내에서는 화재로부터의 산림보호, 시민안전사고 예방, 재난현장 정보 제공, 조난자 위치파악 및 긴급물품 제공 등에 초기단계의 드론 활용이 이루어지고 있다(문승혁, 2019). 드론을 활용할 경우, 재난 현장의 붕괴 지형의 형상을 파악하고 잔해 속에 매몰자 인명의 위치를 신속하게 확인하는데 활용할 수 있다. 인명구조를 위해서는 우선, 전체적인 붕괴지형을 입체적으로 파악한 후 매몰지점 상부와 하부에서 신속하고 정확하게 매몰자의 위치정보를 취득하여 구조자와 공유함으로써 원활한 구호활동을 수행할 수 있다. 드론에 탑재된 인명탐지 모듈과 함께 스테레오 비전 모듈을 활용하여 붕괴지형의 이미지를 수집하고, 미리 설계된 알고리즘을 통해 3차원 붕괴형상 정보를 구축한다. 붕괴지형 정보 취득과 동시에 드론에 탑재된 매몰자 탐지 모듈을 통해 실시간으로 매몰자 휴대기기의 신호를 스캐닝하고 인명의 상태 또는 위치를 확인할 수 있는 센서 정보를 취득하게 된다.
3.2 드론 충돌회피 기술
센서, 유무선 네트워크를 통해 재난 데이터를 수집하여 인공지능을 통해 데이터의 지역, 영향력, 분야별로 재난 데이터를 분석 후 인공지능, 지능형 CCTV, 조기예보 시스템을 통해 재난을 예방 및 대비하고 그에 따른 데이터를 빅데이터 데이터베이스에 수집 및 저장한다. 재난 발생시 인공지능에 따른 정책결정을 통해 신속한 의사결정을 내린 후 재난 로봇, 재난 드론을 통해 재난에 대응 및 복구 작업을 진행한다(오세진, 정진만, 오한길, 이선빈, 2018).
드론의 충돌회피 기술은 탑재기반 및 지상기반 기술로 분류할 수 있으며, 탑재기반 기술은 다시 협조적 기술과 비협조적 기술로 구분할 수 있다. 협조적 기술은 유인기에 기 적용되어 그 성능이 확인된 기술이지만 모든 항공기에 유사한 장비가 장착된 경우에만 적용 가능하고 지형지물이나 건물 등의 지상 장애물은 감지 불가능하다는 한계가 있다. TCAS(Traffic Alert and Collision Avoidance System)의 경우에는 장비의 크기가 소형 무인기에는 탑재가 어려운 단점이 있다. 그러나 ADS-B(Automatic Dependent Surveillance-Broadcast)의 경우 소형 무인기에도 탑재 가능할 정도로 소형, 경량화가 가능하기 때문에 향후 유인기 탑재가 의무화되면 무인기에도 탑재가 의무화될 가능성이 클 것으로 예상된다. 레이더 및 레이저와 같은 능동형 센서의 경우 시계가 좋지 않은 경우에도 운용이 가능하고 충돌위험 감지 성능도 확인된 기술이지만 고가이고 소요전력이 소형 무인기에 적용하기 어렵다는 단점이 있다. 수동형 센서는 유인기 조종사가 인지하는 것과 동일한 감각을 제공해 주는 장점이 있지만 시계조건에 따라 충돌 위험 감지 성능이 민감하게 변하고 상대거리측정이 어렵다는 단점이 있다.
3.3 영상 기반 드론 자동 이착륙 기술
드론 이착륙 기술은 실제 드론에 적용하여 정확도 분석을 완료하였으며, 회전익의 경우 실용화를 앞두고 수행되고 있으나, 고정익 드론에 대하여 영상 기반 자동 이착륙 기술을 적용하여 성공한 사례는 아직까지 없다. 미국은 레이더 방식과 DGPS를 이용한 자동이착륙장치가 적용되고 있고, Searcher와 글로벌 호크 등에 탑재되어 있다(Amarjot Singh, Devendra Patil, SN Omkarm, 2018). 국내의 경우, 국방과학연구소 주관으로 UCARS를 이용한 자동 이착륙 기술을 개발, 보유하고 있고 영상 기반의 자동 이 착륙 방식은 국내에서는 아직까지 비행체에 적용한 사례가 없으며, 헬리콥터 형태의 수직이착륙 무인기의 경우 자동 이착륙 센서 시스템을 탑재하기 위한 알고리즘 연구가 실제 적용에 근접하고 있으나, 상대적으로 고속 착륙하는 고정익 항공기에 대한 영상기반 이착륙 연구가 진행 중이다.
최근에는 드론 기술의 발전으로 재난 피해 현황 파악 및 복구 계획을 세우는데 드론 영상이 많이 활용되고 있는 편이다. 특히 개인 및 다양한 기관에서 드론에 대한 활용도 증가로 인해 드론으로 취득하는 데이터도 증가하게 되었다. 오히려 많은 데이터로 인해 필요한 정보를 찾는 것에는 피로감을 느낄 수도 있는 상황에서, 인공지능은 해결방안이 될 수 있다. 인공지능의 기계 학습을 실행하기 위해서는 데이터가 필요하다. 대부분 인공지능을 적용하기 전에 데이터 작업에만 많은 시간을 투자하는 것이 그 이유이다. 이미 많이 확보되어 있는 드론 영상 데이터를 활용하여 재난에 대해 실시간 영상 판독 및 대응 시스템 구축에 인공지능이 활용될 수 있을 것으로 기대된다. 따라서 드론으로 취득되는 정보를 체계적으로 판단하여, 의사결정 등에 필요한 정보를 추출할 수 있는 인공지능 기술의 개발이 필요하다.
3.4 인공지능 드론을 활용한 재난지역 조사를 위한 기술
최근 국내외 인공지능 기반 객체 탐색 알고리즘 중 하나인 R-CNN(Region with Convolutional Neural Networks)은 Region based CNN. Sliding window를 이용한 객체 검출에서 나아가 딥러닝을 이용해 객체 검출을 시도한 기법이다. 약 2천 개 정도의 물체의 후보 영역을 추출하여, 추출된 영역에 대해 미리 학습된 CNN을 활용하여 ConvNet을 생성, fixed-length feature vector를 추출한 후, Linear SVM을 활용하여 객체를 분류하는 기법이다.
R-CNN의 단점으로는 약 2천 개의 추출된 모든 후보 영역에 대해 ConvNet을 생성하고 연산을 해서 속도가 느리며, 미리 학습된 CNN을 활용하기 위해 후보 영역의 사이즈에 관계없이 224x224의 고정된 크기로 통일시키는 과정에서 왜곡 발생할 수 있다. 추후 R-CNN보다 속도와 정확도를 모두 높인 Fast R-CNN, Faster R-CNN 기법이 개발되는 등 R-CNN은 이후 딥러닝을 이용한 객체 검출 기법의 기반이 되었다(Amarjot Singh, Devendra Patil, SN Omkarm, 2018).
실종자 탐지를 위한 데이터셋 구성은 실종자를 어떻게 정의할 것인가가 가장 큰 어려운 문제였다. 산악 지역에서 실종자를 수색한다면, 나무에 가려진 경우나 바위틈에 꼈을 때 등 일부만 보이는 때도 있기 때문이다. 정확한 정의가 어렵기에 드론 영상에서 사람 검출하는 알고리즘을 개발하는 것으로 방향을 잡고, 충분한 데이터셋을 확보하기 위해 VisDrone2019 pedestrian을 학습하여 인공지능 모델을 준비하고 있다. Faster R-CNN과 Cascade R-CNN을 조합하여 속도와 정확성을 모두 확보하기 위해 연구 중이다.
산림청은 2020년까지 '드론영상 실시간 영상전송 시스템 구축사업'을 추진한다(전자신문(2019. 7. 28). 이번 사업은 재난을 극복하기 위한 유관기관 간 공유체계 마련과 합동 대응체계 강화가 목적이다. 우선 드론과 소방헬기, 지상진화대 등 실시간 재해영상공유를 위한 통합시스템을 갖춘다. 주•야간 구애 없이 지상과 공중에서 촬영된 다양한 재해 현장영상을 통합해 선택적으로 실시간 모니터링 할 수 있다. 드론 등을 통해 확보한 영상은 데이터베이스(DB)로 관리하고 빅데이터 관리시스템과 연계돼 자료로 활용한다. 재난 관리에 이용하기 위해 SW 기술로 드론을 지능화해야 한다. 드론을 조종하는 소방관도 중요하지만 자율관제드론 개발과 충분한 드론 확보가 우선이다. 스포츠센터 화재, 강원도 산불 현장에 카메라와 소화기를 장착한 드론이 즉각 출동했으면 결과가 달라졌을 수도 있다.
III. 결론
본 고에서는 드론의 인공지능을 결합한 재난 시스템의 기술동향 등에 대하여 살펴보았다. 어느 분야에서든 인공지능의 예측을 100% 신뢰하기는 무리가 있다. 하지만 인공지능의 예측을 토대로 드론 영상의 전체가 아닌, 예측 결과만을 조사하는 것만으로도 실무자들이 선택과 집중할 수 있도록 도와줄 수 있다. 이미 세계적으로 4차 산업 혁명에 힘입어 인공지능, 드론과 같은 주요 4차 산업 기술이 현업에서 사용되고, 효율성이 증가하는 사례가 증가하고 있다.
국내에서 재난에 대한 현황 파악 및 복구를 위한 기관과 인력의 수는 적은 편이다. 하지만 그에 비해 재난에 대한 피해 현황 조사 및 복구는 신속하게 이루어져야 한다. 따라서 재난 발생 시, 신속하고 정확하게 재난정보 파악하고, 피해 방지를 위해서는 효율적 인력 활용이 필요한 상황이다. 국내에서는 재난 및 안전 분야에 산림보호활동, 재난현장 정보 제공, 재난자 위치파악 및 긴급물품 제공 등에 드론을 활용하고 있다. 기술혁신은 경제적 이익 창출의 목적 외에도 인도주의적 목적을 위해서도 도전되어야 하는 가치가 있다. 또한 재난 안전 분야에서 생명을 존중하는 마음이 우선되어 재난예방, 재난 후 복구 전 과정에서 신기술의 활용뿐 아니라 신속한 대처가 기반되어야 한다. 드론 산업의 미래를 위해 자율제어 센서, 인공지능(AI) 등 첨단기술과의 융？복합을 통해 변화하는 미래 환경변화에 대비하여야 시장지배력을 유지할 수 있을 것이다.
References
문승혁(2019). 인공지능 적용 산업과 발전방향에 대한 분석. The Journal of the Convergence on Culture Technology(JCCT), 5(1). 77-82.
오세진, 정진만, 오한길, 이선빈(2018), 무인비행체계(UAS)방어 기술의 발전과 국내 현황에 대한 고찰, 한국재난정보학회 2018년 정기학술대회 및 특별세미나, 93-96.
이임걸(2019). 경찰분야 드론의 활용방안에 관한 연구. 한세대학교 일반대학원 박사학위논문.
임 일(2016). 4차 산업혁명 인사이트. 더메이커.
전자신문(2019. 7. 28). 산불 나면 드론 뜬다…산림청, 실시간 영상전송 시스템 구축.
한국환경정책평가연구원(2016). 드론을 이용한 환경재난 사후 대응 기술 및 연구동향 분석 연구.
Amarjot Singh, Devendra Patil, SN Omkarm, Eye in the Sky: Real-time Drone Surveillance System(DSS) for Violent Individuals Identification using ScatterNet Hybrid Deep Learning Network, To Appear in the IEEE Computer Vision and Pattern Recognition (CVPR) Workshops 2018.
4차 산업혁명의 중심에 있는 드론(Drone)은 전 세계적으로 관심을 받으며 발전하고 있다. 주로 적군 탐지나 폭격을 목적으로 한 군사용 드론에서 시작되었지만, 현재는 ITㆍ통신 기술과 결합해 물류서비스, 농업, 개인 레저 활동 등 다양한 분야에 적용되기 시작하였다.
최근에는 드론을 재난 및 안전 분야에서 정보 제공, 재난자 위치파악 및 긴급물품 제공 등 재난 현장에 이용하고자 하는 시도가 많아지고 있다. 인력이 접근하기 어려운 곳에 드론을 투입하여 수색 및 구조 활동을 할 수 있으며, 신속하고 입체적인 범죄현장 파악과 증거조사 등이 가능해진다. 구글은 위기에 처한 사람들이 의료 서비스 버튼을 누르기만 하면 구급 드론이 출동해 도움을 주어 초기 구급활동 시간을 단축시킬 수 있게 되었다. 국내에서도 강원도 강릉소방서에서 주택에서 발생한 화재가 야간에 강풍을 타고 인근의 산으로 번지가 드론을 활용하여 산불의 화두를 파악하고, 적절한 인력을 투입하는 등 대처를 하는데 도움이 된 사례가 있다. 또 실종된 노부부를 찾기 위해 경찰이 한국국토정보공사에 드론을 요청하여 수색하는 등 드론을 활용하여 수색의 효율성을 높이고 시간을 단축시키는 효과를 보여주는 등 다양한 분야에서 드론이 활용될 가능성이 높음을 알 수 있다.
머지않아 '인공지능 드론'까지 가세하면 영화 스타워즈가 멀지 않은 상황이다. 인공지능(AI；artificial intelligence)은 컴퓨터가 인간 두의 기능을 수행하는 지능을 갖도록 하드웨어나 소프트웨어를 개발하려는 연구분야로 추론과 판단, 문제해결능력을 갖는 컴퓨터를 시도하며 지식기반시스템, 퍼지이론, 기호처리, 자연어처리, 음성인식, 가상현실, 그리고 지능로봇 등에 관한 연구를 수행하고 있다(임 일, 2016). 핵심기술인 인공지능이 데이터 수집, 저장, 분석을 통해 내가 원하는 검색결과를 압축적으로 제공, 선택비용을 줄여 주며 최적화된 가치를 제공한다.
따라서 본 고에서는 드론의 인공지능을 결합한 재난 시스템의 기술동향에 대하여 알아보고자 한다. 이를 위해 드론의 개념과 분류를 살펴보고, 재난 현장에서 인공지능 드론의 필요성을 검토하였다. 또한 인공지능 드론의 기술동향을 분야별로 구분하여 고찰하고 결론으로 마무리하였다.
II. 드론의 인공지능을 결합한 재난 시스템의 기술동향
1. 드론의 개념과 분류
드론(Drone)으로 불리는 무인항공기(UAV: Unmanned Aerial Vehicle)는 조종사가 탑승하지 않은 비행체를 의미한다. 유인기와 비교하여 숙련된 조종사 양성비용 절감, 무인에 따른 중량감소, 근접 정찰과 폭격과 같은 위험임무 수행 등의 장점이 있다.
드론은 일정한 임무를 수행하기 위하여 조종사가 탑승하지 않고 지상에서 원격 조종하거나 사전에 입력된 프로그램으로 비행체가 주위환경을 인식하여 스스로 비행하는 비행체를 말한다. 운용 목적에 따라 정찰용, 공격용, 표적용 등으로 분류할 수 있고, 특정 임무를 수행할 수 있도록 적외선 카메라, GPS, 움직임 감지 센서 등을 통해 지형, 사람 등의 동향을 실시간으로 감시, 정찰, 정밀공격 등에 활용하는 무인항공기는 통합체계라는 의미로 UAS(Unmanned Aircraft System)라고도 불린다.
드론은 구동형태에 따라 날개가 기체에 수평으로 붙어 있는 비행기 형태인 고정익(Fixed-wing), 회전축에 설치되어 주위에 회전 운동을 하면서 양력을 발생시키는 헬리콥터 형태인 회전익(Rotary) 및 회전날개(Rotor)를 기울일 수 있도록 고정익과 회전익을 결합한 혼합형으로 크게 구분된다(한국환경정책평가연구원, 2016).
2. 재난 현장에서 인공지능 드론의 필요성
재난 현장에서 드론을 안정적으로 사용하기 위한 도전이 지속되고 있다. GPS 신호가 잡히지 않는 터널 등 실내에서 드론 실내 비행 안정화를 위해 통신장비와 카메라•초음파 등 센서기술 인공지능(AI) 등의 연구가 활발하다. 최근에는 정밀도 높은 소형 센서 개발과 ICT 간 통합 운용 기술이 발달하면서 드론의 활용 영역이 확장되고 있다. 여기에 인공지능인 기계 학습(Machine Learning)은 사람의 지시 없이 시스템이 딥러닝이라고 불리는 과정에 의존하여 복잡한 데이터를 학습하고 분석하는 알고리즘이다. 아직까지는 인공지능 시스템도 완벽하지 않지만, AI는 추가적인 관점을 제공할 수 있고 AI 기술이 발전함에 따라 적용할 수 있는 가능한 분야가 증가하고 있다.
실내에서 드론을 제어하도록 사고 시 특화된 통신장비를 개발은 최우선 과제다. 전파 출력을 최대화하고 실내 통신에 최적화하는 비상용 통신장비는 물론 터널 내부에도 비상시 생존성에 강화한 중계기 등을 설치할 수 있다. 드론 자체 센서 기술 진화도 필수다. 카메라와 초음파를 이용해 장애물을 스스로 인식해 회피하는 기술이 완성도를 높이고 있다. 궁극적으로는 AI 진화가 필요하다. 사고 상황에서 통신이 두절됐더라도 어떤 장면을 촬영하고, 조치를 취해야할지 드론이 스스로 판단해 행동하도록 해야 한다. 특징은 인공지능 소프트웨어로 영상과 사진을 분석하는 것이다. 4명의 경찰관이 하루 종일 600장 정도 분석하는 시간을 소프트웨어로 10분 안에 끝낼 수 있다. 드론으로 촬영한 600장의 사진(1km×1km 면적)을 10분 내에 정밀하게 분석할 수 있게 되었다(이임걸, 2019).
3. 인공지능 드론의 기술동향
3.1 드론 제어 기술
드론의 운용을 위한 기본적인 제어기술은 자동조종(Autopilot)과 항법유도(Navigation & Guidance)이며, 현재 운용중인 대부분의 드론들이 이러한 제어 기술을 채택하고 있다. 자동조종은 비행체의 출력에 영향을 미치는 동특성(Dynamic Characteristic)을 향상시키기 위해 적절히 진동을 흡수해 주는 댐핑(Damping)과 주파수를 제공하는 조종 안정성 증강 장치이다. 항법유도는 원거리 목표지점까지 주어진 경로를 따라 오차 없이 비행을 가능하게 하는 임무 제어기이다.
인공지능이 드론 기술과 하드웨어의 효용성을 극대화할 수 있는 장점이 있다. 드론과 AI를 결합함으로써 물리적으로 접근하기 어려운 재난 지역이나 산악지역 등의 정보수집이 가능해졌으며 대기 오염이나 촬영이 힘든 흐린 지역도 AI가 자동으로 밝기와 보정 등을 조정함으로써 보다 과학적인 영상 제작을 가능하게 하고 있다. 이렇듯 인공지능은 전반적으로 긍정적인 영향을 주고 있으며, 이를 활용한 사례는 앞으로도 늘어날 것으로 전망된다.
해외에서는 재난분야의 드론 개발 및 활용이 활발하지만, 국내에서는 화재로부터의 산림보호, 시민안전사고 예방, 재난현장 정보 제공, 조난자 위치파악 및 긴급물품 제공 등에 초기단계의 드론 활용이 이루어지고 있다(문승혁, 2019). 드론을 활용할 경우, 재난 현장의 붕괴 지형의 형상을 파악하고 잔해 속에 매몰자 인명의 위치를 신속하게 확인하는데 활용할 수 있다. 인명구조를 위해서는 우선, 전체적인 붕괴지형을 입체적으로 파악한 후 매몰지점 상부와 하부에서 신속하고 정확하게 매몰자의 위치정보를 취득하여 구조자와 공유함으로써 원활한 구호활동을 수행할 수 있다. 드론에 탑재된 인명탐지 모듈과 함께 스테레오 비전 모듈을 활용하여 붕괴지형의 이미지를 수집하고, 미리 설계된 알고리즘을 통해 3차원 붕괴형상 정보를 구축한다. 붕괴지형 정보 취득과 동시에 드론에 탑재된 매몰자 탐지 모듈을 통해 실시간으로 매몰자 휴대기기의 신호를 스캐닝하고 인명의 상태 또는 위치를 확인할 수 있는 센서 정보를 취득하게 된다.
3.2 드론 충돌회피 기술
센서, 유무선 네트워크를 통해 재난 데이터를 수집하여 인공지능을 통해 데이터의 지역, 영향력, 분야별로 재난 데이터를 분석 후 인공지능, 지능형 CCTV, 조기예보 시스템을 통해 재난을 예방 및 대비하고 그에 따른 데이터를 빅데이터 데이터베이스에 수집 및 저장한다. 재난 발생시 인공지능에 따른 정책결정을 통해 신속한 의사결정을 내린 후 재난 로봇, 재난 드론을 통해 재난에 대응 및 복구 작업을 진행한다(오세진, 정진만, 오한길, 이선빈, 2018).
드론의 충돌회피 기술은 탑재기반 및 지상기반 기술로 분류할 수 있으며, 탑재기반 기술은 다시 협조적 기술과 비협조적 기술로 구분할 수 있다. 협조적 기술은 유인기에 기 적용되어 그 성능이 확인된 기술이지만 모든 항공기에 유사한 장비가 장착된 경우에만 적용 가능하고 지형지물이나 건물 등의 지상 장애물은 감지 불가능하다는 한계가 있다. TCAS(Traffic Alert and Collision Avoidance System)의 경우에는 장비의 크기가 소형 무인기에는 탑재가 어려운 단점이 있다. 그러나 ADS-B(Automatic Dependent Surveillance-Broadcast)의 경우 소형 무인기에도 탑재 가능할 정도로 소형, 경량화가 가능하기 때문에 향후 유인기 탑재가 의무화되면 무인기에도 탑재가 의무화될 가능성이 클 것으로 예상된다. 레이더 및 레이저와 같은 능동형 센서의 경우 시계가 좋지 않은 경우에도 운용이 가능하고 충돌위험 감지 성능도 확인된 기술이지만 고가이고 소요전력이 소형 무인기에 적용하기 어렵다는 단점이 있다. 수동형 센서는 유인기 조종사가 인지하는 것과 동일한 감각을 제공해 주는 장점이 있지만 시계조건에 따라 충돌 위험 감지 성능이 민감하게 변하고 상대거리측정이 어렵다는 단점이 있다.
3.3 영상 기반 드론 자동 이착륙 기술
드론 이착륙 기술은 실제 드론에 적용하여 정확도 분석을 완료하였으며, 회전익의 경우 실용화를 앞두고 수행되고 있으나, 고정익 드론에 대하여 영상 기반 자동 이착륙 기술을 적용하여 성공한 사례는 아직까지 없다. 미국은 레이더 방식과 DGPS를 이용한 자동이착륙장치가 적용되고 있고, Searcher와 글로벌 호크 등에 탑재되어 있다(Amarjot Singh, Devendra Patil, SN Omkarm, 2018). 국내의 경우, 국방과학연구소 주관으로 UCARS를 이용한 자동 이착륙 기술을 개발, 보유하고 있고 영상 기반의 자동 이 착륙 방식은 국내에서는 아직까지 비행체에 적용한 사례가 없으며, 헬리콥터 형태의 수직이착륙 무인기의 경우 자동 이착륙 센서 시스템을 탑재하기 위한 알고리즘 연구가 실제 적용에 근접하고 있으나, 상대적으로 고속 착륙하는 고정익 항공기에 대한 영상기반 이착륙 연구가 진행 중이다.
최근에는 드론 기술의 발전으로 재난 피해 현황 파악 및 복구 계획을 세우는데 드론 영상이 많이 활용되고 있는 편이다. 특히 개인 및 다양한 기관에서 드론에 대한 활용도 증가로 인해 드론으로 취득하는 데이터도 증가하게 되었다. 오히려 많은 데이터로 인해 필요한 정보를 찾는 것에는 피로감을 느낄 수도 있는 상황에서, 인공지능은 해결방안이 될 수 있다. 인공지능의 기계 학습을 실행하기 위해서는 데이터가 필요하다. 대부분 인공지능을 적용하기 전에 데이터 작업에만 많은 시간을 투자하는 것이 그 이유이다. 이미 많이 확보되어 있는 드론 영상 데이터를 활용하여 재난에 대해 실시간 영상 판독 및 대응 시스템 구축에 인공지능이 활용될 수 있을 것으로 기대된다. 따라서 드론으로 취득되는 정보를 체계적으로 판단하여, 의사결정 등에 필요한 정보를 추출할 수 있는 인공지능 기술의 개발이 필요하다.
3.4 인공지능 드론을 활용한 재난지역 조사를 위한 기술
최근 국내외 인공지능 기반 객체 탐색 알고리즘 중 하나인 R-CNN(Region with Convolutional Neural Networks)은 Region based CNN. Sliding window를 이용한 객체 검출에서 나아가 딥러닝을 이용해 객체 검출을 시도한 기법이다. 약 2천 개 정도의 물체의 후보 영역을 추출하여, 추출된 영역에 대해 미리 학습된 CNN을 활용하여 ConvNet을 생성, fixed-length feature vector를 추출한 후, Linear SVM을 활용하여 객체를 분류하는 기법이다.
R-CNN의 단점으로는 약 2천 개의 추출된 모든 후보 영역에 대해 ConvNet을 생성하고 연산을 해서 속도가 느리며, 미리 학습된 CNN을 활용하기 위해 후보 영역의 사이즈에 관계없이 224x224의 고정된 크기로 통일시키는 과정에서 왜곡 발생할 수 있다. 추후 R-CNN보다 속도와 정확도를 모두 높인 Fast R-CNN, Faster R-CNN 기법이 개발되는 등 R-CNN은 이후 딥러닝을 이용한 객체 검출 기법의 기반이 되었다(Amarjot Singh, Devendra Patil, SN Omkarm, 2018).
실종자 탐지를 위한 데이터셋 구성은 실종자를 어떻게 정의할 것인가가 가장 큰 어려운 문제였다. 산악 지역에서 실종자를 수색한다면, 나무에 가려진 경우나 바위틈에 꼈을 때 등 일부만 보이는 때도 있기 때문이다. 정확한 정의가 어렵기에 드론 영상에서 사람 검출하는 알고리즘을 개발하는 것으로 방향을 잡고, 충분한 데이터셋을 확보하기 위해 VisDrone2019 pedestrian을 학습하여 인공지능 모델을 준비하고 있다. Faster R-CNN과 Cascade R-CNN을 조합하여 속도와 정확성을 모두 확보하기 위해 연구 중이다.
산림청은 2020년까지 '드론영상 실시간 영상전송 시스템 구축사업'을 추진한다(전자신문(2019. 7. 28). 이번 사업은 재난을 극복하기 위한 유관기관 간 공유체계 마련과 합동 대응체계 강화가 목적이다. 우선 드론과 소방헬기, 지상진화대 등 실시간 재해영상공유를 위한 통합시스템을 갖춘다. 주•야간 구애 없이 지상과 공중에서 촬영된 다양한 재해 현장영상을 통합해 선택적으로 실시간 모니터링 할 수 있다. 드론 등을 통해 확보한 영상은 데이터베이스(DB)로 관리하고 빅데이터 관리시스템과 연계돼 자료로 활용한다. 재난 관리에 이용하기 위해 SW 기술로 드론을 지능화해야 한다. 드론을 조종하는 소방관도 중요하지만 자율관제드론 개발과 충분한 드론 확보가 우선이다. 스포츠센터 화재, 강원도 산불 현장에 카메라와 소화기를 장착한 드론이 즉각 출동했으면 결과가 달라졌을 수도 있다.
III. 결론
본 고에서는 드론의 인공지능을 결합한 재난 시스템의 기술동향 등에 대하여 살펴보았다. 어느 분야에서든 인공지능의 예측을 100% 신뢰하기는 무리가 있다. 하지만 인공지능의 예측을 토대로 드론 영상의 전체가 아닌, 예측 결과만을 조사하는 것만으로도 실무자들이 선택과 집중할 수 있도록 도와줄 수 있다. 이미 세계적으로 4차 산업 혁명에 힘입어 인공지능, 드론과 같은 주요 4차 산업 기술이 현업에서 사용되고, 효율성이 증가하는 사례가 증가하고 있다.
국내에서 재난에 대한 현황 파악 및 복구를 위한 기관과 인력의 수는 적은 편이다. 하지만 그에 비해 재난에 대한 피해 현황 조사 및 복구는 신속하게 이루어져야 한다. 따라서 재난 발생 시, 신속하고 정확하게 재난정보 파악하고, 피해 방지를 위해서는 효율적 인력 활용이 필요한 상황이다. 국내에서는 재난 및 안전 분야에 산림보호활동, 재난현장 정보 제공, 재난자 위치파악 및 긴급물품 제공 등에 드론을 활용하고 있다. 기술혁신은 경제적 이익 창출의 목적 외에도 인도주의적 목적을 위해서도 도전되어야 하는 가치가 있다. 또한 재난 안전 분야에서 생명을 존중하는 마음이 우선되어 재난예방, 재난 후 복구 전 과정에서 신기술의 활용뿐 아니라 신속한 대처가 기반되어야 한다. 드론 산업의 미래를 위해 자율제어 센서, 인공지능(AI) 등 첨단기술과의 융？복합을 통해 변화하는 미래 환경변화에 대비하여야 시장지배력을 유지할 수 있을 것이다.
References
문승혁(2019). 인공지능 적용 산업과 발전방향에 대한 분석. The Journal of the Convergence on Culture Technology(JCCT), 5(1). 77-82.
오세진, 정진만, 오한길, 이선빈(2018), 무인비행체계(UAS)방어 기술의 발전과 국내 현황에 대한 고찰, 한국재난정보학회 2018년 정기학술대회 및 특별세미나, 93-96.
이임걸(2019). 경찰분야 드론의 활용방안에 관한 연구. 한세대학교 일반대학원 박사학위논문.
임 일(2016). 4차 산업혁명 인사이트. 더메이커.
전자신문(2019. 7. 28). 산불 나면 드론 뜬다…산림청, 실시간 영상전송 시스템 구축.
한국환경정책평가연구원(2016). 드론을 이용한 환경재난 사후 대응 기술 및 연구동향 분석 연구.
Amarjot Singh, Devendra Patil, SN Omkarm, Eye in the Sky: Real-time Drone Surveillance System(DSS) for Violent Individuals Identification using ScatterNet Hybrid Deep Learning Network, To Appear in the IEEE Computer Vision and Pattern Recognition (CVPR) Workshops 2018.